Empirical Bayes Analysis of a Microarray Experiment
微阵列实验的经验贝叶斯分析AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要围绕基因表达、数据缩减和经验贝叶斯多重推断展开，虽讨论辐射影响，却未提供因果识别或其他给定领域的直接依据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
微阵列实验的经验贝叶斯分析
- 研究问题
- 面对同时测量大量基因表达所产生的海量数据，如何压缩每个基因的信息，并进行有关辐射影响的同时推断？
- 方法与思路
- 作者提出简单的非参数经验贝叶斯模型，指导将数据缩减为每个基因一个汇总统计量，并用于判断哪些基因受到辐射影响。
- 材料陈述的贡献
- 摘要称方法兼顾数据缩减与大量基因的同时推断，可在具体实验之外较广泛应用，且经验贝叶斯推断与频率学派 FDR 密切相关。
- 阅读关注点
- 应核对基因汇总统计量如何选取、经验贝叶斯模型如何估计，以及后验推断与错误发现率之间的关系和实验比较设计。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未给出受影响基因数量或识别条件，不能把辐射影响表述直接当作因果识别结论。
原文摘要
Microarrays are a novel technology that facilitates the simultaneous measurement of thousands of gene expression levels. A typical microarray experiment can produce millions of data points, raising serious problems of data reduction, and simultaneous inference. We consider one such experiment in which oligonucleotide arrays were employed to assess the genetic effects of ionizing radiation on seven thousand human genes. A simple nonparametric empirical Bayes model is introduced, which is used to guide the efficient reduction of the data to a single summary statistic per gene, and also to make simultaneous inferences concerning which genes were affected by the radiation. Although our focus is on one specific experiment, the proposed methods can be applied quite generally. The empirical Bayes inferences are closely related to the frequentist false discovery rate (FDR) criterion.